En el corazón de la economía global existe una paradoja fundamental: mientras que algunos indicadores sugieren una relación lineal y predecible entre el desarrollo económico y el bienestar social, la realidad es mucho más compleja y matizada. Tomemos un ejemplo: Costa Rica tiene una esperanza de vida comparable a la de países europeos desarrollados, pero con un PIB per cápita significativamente menor; Qatar, por su parte, lidera en PIB per cápita pero no encabeza necesariamente en todos los indicadores de bienestar social (Shkolnikov et al., 2019). Estas “anomalías” no son excepciones sino revelaciones de una verdad fundamental: el desarrollo no es unidimensional.
El problema central que motiva este trabajo es fundamental: ¿Cuáles son realmente los “tipos” de desarrollo que caracterizan la economía mundial cuando se analiza simultáneamente un conjunto amplio de 19 indicadores económicos, sociales, tecnológicos y ambientales? No se trata de responder cuál país es más “rico”, sino algo más profundo: descubrir si existen estructuras ocultas en los datos que agrupen países con perfiles similares más allá de la geografía o las clasificaciones convencionales. Específicamente, la pregunta es: ¿Colombia y Uruguay podrían compartir más similitudes con algunos países asiáticos que con sus propios vecinos latinoamericanos? ¿Existe realmente un “grupo de países con baja renta pero alto acceso tecnológico”? ¿Las características ambientales y demográficas se alinean con la riqueza económica o presentan patrones independientes?
Históricamente, el desarrollo internacional se ha medido mediante indicadores aislados. El PIB per cápita domina los rankings; la esperanza de vida se analiza independientemente; la conectividad digital se observa separadamente. Este enfoque fragmentado es problemático porque el desarrollo no es unidimensional: un país puede ser económicamente exitoso pero frágil en salud pública, o tener excelente conectividad digital pero vulnerabilidad ambiental crítica (Jolliffe, 2002; World Bank, 2023). Los datos del año 2022 capturan un momento único en la historia económica global: post-pandemia de COVID-19, con efectos heterogéneos según país. Algunos recuperaron rápidamente su dinamismo; otros enfrentaron cicatrices estructurales persistentes en empleo, salud y finanzas públicas (World Bank, 2023).
El Banco Mundial proporciona 19 indicadores reconocidos internacionalmente que miden dimensiones distintas: factores económicos (PIB per cápita, crecimiento del PIB, inversión extranjera, remesas, industria, comercio), indicadores de salud y bienestar (esperanza de vida, mortalidad infantil, gasto en salud), variables de conectividad tecnológica (acceso a electricidad, uso de internet, suscripciones móviles) y aspectos ambientales y demográficos (área boscosa, tierra cultivable, crecimiento poblacional) (World Bank, 2023). Analizar estas 19 variables de forma independiente genera ruido; analizarlas de manera integrada puede revelar patrones coherentes que informan políticas públicas, estrategias de cooperación internacional y decisiones de inversión.
El desafío es modelar una pregunta sin respuesta predefinida: ¿Qué agrupamientos naturales de países emergen cuando se analiza simultáneamente esta multiplicidad de indicadores? Este es precisamente el rol del aprendizaje no supervisado—un conjunto de técnicas que descubren patrones en datos sin etiquetas previas, sin clasificaciones arbitrarias impuestas externamente (Charrad et al., 2014; Jolliffe, 2002).
Lo que sigue es una cartografía multidimensional de la economía global en el contexto post-pandemia: no solo se responde “¿en qué grupos se dividen los países?”, sino, más profundamente, “¿qué revelan estos grupos sobre mecanismos reales del desarrollo, oportunidades compartidas, restricciones comunes y trayectorias viables para diferentes sociedades?” Los resultados no serán una clasificación administrativa sino un descubrimiento empírico basado en lo que los datos de 180 países en 2022 efectivamente revelan.
La base de datos utilizada en este análisis proviene de la compilación World Development Indicators (WDI) del Banco Mundial, considerada la principal fuente internacional de estadísticas comparables sobre desarrollo económico y social (World Bank, 2023). Los WDI representan el esfuerzo más comprehensivo del Banco Mundial para consolidar indicadores de desarrollo de fuentes oficialmente reconocidas, incluyendo oficinas nacionales de estadística, bancos centrales, agencias de las Naciones Unidas, instituciones de investigación y contribuyentes del sector privado (World Bank, 2023; Jeanty, 2010).
La base WDI contiene aproximadamente 1,600 indicadores de series temporales para 217 economías y más de 40 grupos de países, con datos para muchos indicadores que se remontan más de 50 años (World Bank, 2023). Los datos son compilados mediante metodologías estandarizadas que garantizan comparabilidad internacional, transparencia metodológica y robustez estadística (World Bank, 2019). El proceso de selección de indicadores del WDI sigue cuatro criterios fundamentales: facilidad de uso (accesibilidad y claridad para usuarios diversos), confiabilidad (reputación y credibilidad de la fuente), cobertura (amplitud geográfica y temporal), y calidad (rigor metodológico y precisión) (Behar & Mok, 2024).
Para este análisis, se filtro información exclusivamente para países individuales (eliminando bloques regionales o agrupaciones económicas) del año 2022. El dataset resultante contiene aproximadamente 180-200 países, según la disponibilidad de datos completos, donde cada observación representa una unidad soberana comparable en un único punto temporal.
El año 2022 marca un punto de inflexión crítico en la economía global, representa el momento post-pandemia en que las trayectorias de recuperación de cada país se hacen visibles y diferenciadas. Mientras algunos países desarrollados con capacidad fiscal recuperaron o superaron niveles pre-COVID-19, economías emergentes enfrentaban cicatrices estructurales persistentes en empleo, inflación descontrolada, y aumento de deuda pública (Banco Mundial, 2022; FMI, 2023; CEPAL, 2023). La desigualdad global se amplió drásticamente: el crecimiento proyectado para América Latina en 2022 era apenas 2.6%, mientras la desigualdad de ingresos aumentó significativamente después de dos décadas de mejoras (BID, 2022).
En este contexto, 2022 funciona como un “revelador” excepcional de vulnerabilidades y fortalezas estructurales subyacentes de los países: aquellos con sistemas de salud robustos, infraestructura tecnológica consolidada y economías diversificadas mostraron resiliencia; los que enfrentaban fragilidades estructurales experimentaron impactos persistentes (Banco Mundial, 2022; CIDOB, 2022). Por tanto, 2022 es un año extraordinariamente informativo para identificar perfiles reales de desarrollo, ya que las diferencias entre países se magnificaron visiblemente, permitiendo observar no clasificaciones arbitrarias sino estructuras auténticas de capacidad nacional.
El dataset construido para este análisis integra 19 variables cuantitativas que capturan las múltiples dimensiones del desarrollo contemporáneo. Estas variables se organizan en cinco áreas temáticas que, en conjunto, ofrecen una perspectiva comprehensiva del desempeño socioeconómico, tecnológico y ambiental de cada país. A continuación, se presenta una descripción detallada de cada variable según su área temática.
La inclusión de variables económicas es fundamental porque el desarrollo ha sido históricamente conceptualizado como un proceso de transformación estructural impulsado por el crecimiento económico (World Bank, 2023; Piketty, 2022). Sin embargo, el crecimiento económico no es unidimensional: requiere tanto un nivel absoluto de riqueza (PIB per cápita) como dinamismo y expansión (crecimiento del PIB), diversificación productiva (industria), y capacidad de atracción de inversión internacional (IED) que transfiera conocimiento y capital (ECB, 2018). Además, las economías contemporáneas están integradas globalmente, por lo que exportaciones, importaciones y remesas son transmisores clave de oportunidades y vulnerabilidades económicas (World Bank, 2023)., en la tabla 1 las observamos.
variables_economicas <- data.frame(
Variable = c(
"PIB per cápita (US$)",
"Crecimiento del PIB (% anual)",
"Inversión extranjera directa (% PIB)",
"Remesas recibidas (% PIB)",
"Industria (% PIB)",
"Exportaciones (% PIB)",
"Importaciones (% PIB)"
),
Descripción = c(
"PIB dividido por población, en dólares corrientes. Indicador principal del nivel de ingreso y producción económica por persona.",
"Tasa de variación anual del PIB en precios constantes. Refleja la expansión o contracción económica de un país.",
"Flujos netos de inversión con interés gerencial duradero. Fuente crucial de financiamiento externo y transferencia tecnológica.",
"Transferencias personales de migrantes que trabajan en el extranjero. Flujo financiero clave para muchas economías en desarrollo.",
"Valor agregado del sector industrial. Refleja el grado de industrialización y la estructura productiva de una economía.",
"Valor de bienes y servicios vendidos al exterior. Mide el grado de apertura comercial y oportunidades de crecimiento.",
"Valor de bienes y servicios comprados al exterior. Indica la dependencia de la economía respecto al comercio internacional."
),
Interpretación = c(
">20,000 USD: economía desarrollada\n5,000-20,000 USD: economía emergente\n<5,000 USD: economía en desarrollo",
">3%: crecimiento robusto\n0-3%: crecimiento moderado\n<0%: recesión económica",
">5%: alta atracción de IED\n2-5%: nivel moderado\n<2%: baja atracción de inversión",
">10%: alta dependencia\n2-10%: contribución significativa\n<2%: impacto limitado",
">30%: economía industrializada\n20-30%: sector industrial sólido\n<20%: base industrial reducida",
">50%: economía muy abierta\n30-50%: apertura moderada\n<30%: economía relativamente cerrada",
">40%: alta dependencia importaciones\n25-40%: nivel moderado\n<25%: autosuficiencia relativa"
)
)
tabla_1 <- variables_economicas %>%
gt() %>%
tab_header(
title = md("**Tabla 1**"),
subtitle = "Variables Macroeconómicas y su Interpretación"
) %>%
cols_label(
Variable = md("**Variable**"),
Descripción = md("**Descripción**"),
Interpretación = md("**Interpretación**")
) %>%
cols_align(
align = "left",
columns = everything()
) %>%
tab_style(
style = list(
cell_text(weight = "bold", size = "medium"),
cell_fill(color = "white")
),
locations = cells_column_labels()
) %>%
tab_style(
style = cell_borders(
sides = c("top", "bottom"),
color = "black",
weight = px(1)
),
locations = list(
cells_column_labels(),
cells_body()
)
) %>%
tab_style(
style = cell_borders(
sides = "right",
color = "gray80",
weight = px(1)
),
locations = cells_body(columns = c(Variable, Descripción))
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Variable)
) %>%
tab_style(
style = cell_text(size = "small"),
locations = cells_body(columns = c(Descripción, Interpretación))
) %>%
tab_options(
table.font.names = "Times New Roman",
table.width = pct(100),
table.border.top.style = "none",
table.border.bottom.style = "none",
column_labels.border.top.style = "none",
column_labels.border.bottom.width = px(2),
column_labels.border.bottom.color = "black",
table_body.border.bottom.style = "none",
table_body.border.top.style = "none",
data_row.padding = px(8),
heading.title.font.size = 14,
heading.subtitle.font.size = 12,
heading.padding = px(4),
footnotes.padding = px(4)
) %>%
tab_source_note(
source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023), UN (2015), ECB (2018)")
) %>%
tab_footnote(
footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y temporal",
locations = cells_title(groups = "subtitle")
)
tabla_1| Tabla 1 | ||
| Variables Macroeconómicas y su Interpretación1 | ||
| Variable | Descripción | Interpretación |
|---|---|---|
| PIB per cápita (US$) | PIB dividido por población, en dólares corrientes. Indicador principal del nivel de ingreso y producción económica por persona. | >20,000 USD: economía desarrollada 5,000-20,000 USD: economía emergente <5,000 USD: economía en desarrollo |
| Crecimiento del PIB (% anual) | Tasa de variación anual del PIB en precios constantes. Refleja la expansión o contracción económica de un país. | >3%: crecimiento robusto 0-3%: crecimiento moderado <0%: recesión económica |
| Inversión extranjera directa (% PIB) | Flujos netos de inversión con interés gerencial duradero. Fuente crucial de financiamiento externo y transferencia tecnológica. | >5%: alta atracción de IED 2-5%: nivel moderado <2%: baja atracción de inversión |
| Remesas recibidas (% PIB) | Transferencias personales de migrantes que trabajan en el extranjero. Flujo financiero clave para muchas economías en desarrollo. | >10%: alta dependencia 2-10%: contribución significativa <2%: impacto limitado |
| Industria (% PIB) | Valor agregado del sector industrial. Refleja el grado de industrialización y la estructura productiva de una economía. | >30%: economía industrializada 20-30%: sector industrial sólido <20%: base industrial reducida |
| Exportaciones (% PIB) | Valor de bienes y servicios vendidos al exterior. Mide el grado de apertura comercial y oportunidades de crecimiento. | >50%: economía muy abierta 30-50%: apertura moderada <30%: economía relativamente cerrada |
| Importaciones (% PIB) | Valor de bienes y servicios comprados al exterior. Indica la dependencia de la economía respecto al comercio internacional. | >40%: alta dependencia importaciones 25-40%: nivel moderado <25%: autosuficiencia relativa |
| 1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y temporal | ||
| Fuentes: Elaboración propia con base en World Bank (2023), UN (2015), ECB (2018) | ||
La inclusión de variables sanitarias responde a que el desarrollo no es puramente económico sino que debe reflejarse en mejoras sustantivas en la calidad de vida, particularmente en indicadores de salud poblacional (Sachs et al., 2022; World Bank, 2023). La esperanza de vida es considerada por organismos internacionales como el indicador sintético más robusto de desarrollo humano, capturando tanto el acceso a servicios de salud como condiciones generales de vida (OECD, 2024). La mortalidad infantil es particularmente sensible a la calidad del sistema sanitario, y el gasto en salud refleja el esfuerzo institucional de un país por asegurar bienestar poblacional (World Bank, 2023)., en la tabla 2 las observamos.
variables_salud <- data.frame(
Variable = c(
"Esperanza de vida al nacer (años)",
"Mortalidad infantil (por cada 1,000 nacidos vivos)",
"Gasto en salud (% del PIB)"
),
Descripción = c(
"Número promedio de años que se espera que viva un recién nacido si los patrones de mortalidad prevalecientes al momento de su nacimiento permanecen constantes a lo largo de su vida. Es uno de los indicadores más robustos para medir el estado de salud poblacional, reflejando la calidad del sistema sanitario, acceso a servicios médicos, condiciones de vida, nutrición y factores ambientales.",
"Número de muertes de niños menores de un año por cada 1,000 nacimientos vivos. Es un indicador sensible de la calidad de atención sanitaria materno-infantil, condiciones sanitarias, acceso a agua potable y nutrición adecuada, funcionando como proxy de desarrollo social y capacidad institucional del sistema de salud.",
"Gasto corriente en salud expresado como porcentaje del PIB, incluyendo tanto gasto público como privado. Refleja la prioridad presupuestaria que un país asigna al sector salud y su capacidad de financiar infraestructura sanitaria, siendo un determinante clave de resultados de salud poblacional."
),
Interpretación = c(
">75 años: salud poblacional avanzada\n70-75 años: nivel medio de desarrollo sanitario\n<70 años: desafíos significativos en salud pública",
"<10: excelentes condiciones sanitarias\n10-25: condiciones moderadas\n>25: necesidades críticas en salud infantil",
">8%: alta prioridad en salud\n5-8%: compromiso moderado\n<5%: recursos sanitarios limitados"
)
)
tabla_2 <- variables_salud %>%
gt() %>%
tab_header(
title = md("**Tabla 2**"),
subtitle = "Indicadores de Salud Pública y su Interpretación"
) %>%
cols_label(
Variable = md("**Variable**"),
Descripción = md("**Descripción**"),
Interpretación = md("**Interpretación**")
) %>%
cols_align(
align = "left",
columns = everything()
) %>%
tab_style(
style = list(
cell_text(weight = "bold", size = "medium"),
cell_fill(color = "white")
),
locations = cells_column_labels()
) %>%
tab_style(
style = cell_borders(
sides = c("top", "bottom"),
color = "black",
weight = px(1)
),
locations = list(
cells_column_labels(),
cells_body()
)
) %>%
tab_style(
style = cell_borders(
sides = "right",
color = "gray80",
weight = px(1)
),
locations = cells_body(columns = c(Variable, Descripción))
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Variable)
) %>%
tab_style(
style = cell_text(size = "small"),
locations = cells_body(columns = c(Descripción, Interpretación))
) %>%
tab_options(
table.font.names = "Times New Roman",
table.width = pct(100),
table.border.top.style = "none",
table.border.bottom.style = "none",
column_labels.border.top.style = "none",
column_labels.border.bottom.width = px(2),
column_labels.border.bottom.color = "black",
table_body.border.bottom.style = "none",
table_body.border.top.style = "none",
data_row.padding = px(8),
heading.title.font.size = 14,
heading.subtitle.font.size = 12,
heading.padding = px(4),
footnotes.padding = px(4)
) %>%
tab_source_note(
source_note = md("**Fuentes:** Elaboración propia con base en WHO (2020), OECD (2024), World Bank (2023)")
) %>%
tab_footnote(
footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo",
locations = cells_title(groups = "subtitle")
) %>%
tab_style(
style = cell_text(whitespace = "normal"),
locations = cells_body()
)
tabla_2| Tabla 2 | ||
| Indicadores de Salud Pública y su Interpretación1 | ||
| Variable | Descripción | Interpretación |
|---|---|---|
| Esperanza de vida al nacer (años) | Número promedio de años que se espera que viva un recién nacido si los patrones de mortalidad prevalecientes al momento de su nacimiento permanecen constantes a lo largo de su vida. Es uno de los indicadores más robustos para medir el estado de salud poblacional, reflejando la calidad del sistema sanitario, acceso a servicios médicos, condiciones de vida, nutrición y factores ambientales. | >75 años: salud poblacional avanzada 70-75 años: nivel medio de desarrollo sanitario <70 años: desafíos significativos en salud pública |
| Mortalidad infantil (por cada 1,000 nacidos vivos) | Número de muertes de niños menores de un año por cada 1,000 nacimientos vivos. Es un indicador sensible de la calidad de atención sanitaria materno-infantil, condiciones sanitarias, acceso a agua potable y nutrición adecuada, funcionando como proxy de desarrollo social y capacidad institucional del sistema de salud. | <10: excelentes condiciones sanitarias 10-25: condiciones moderadas >25: necesidades críticas en salud infantil |
| Gasto en salud (% del PIB) | Gasto corriente en salud expresado como porcentaje del PIB, incluyendo tanto gasto público como privado. Refleja la prioridad presupuestaria que un país asigna al sector salud y su capacidad de financiar infraestructura sanitaria, siendo un determinante clave de resultados de salud poblacional. | >8%: alta prioridad en salud 5-8%: compromiso moderado <5%: recursos sanitarios limitados |
| 1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo | ||
| Fuentes: Elaboración propia con base en WHO (2020), OECD (2024), World Bank (2023) | ||
La inclusión de variables tecnológicas es justificada por la importancia creciente de la transformación digital en el desarrollo contemporáneo (UNCTAD, 2021; World Bank, 2023). La acceso a electricidad, internet y telefonía móvil no son lujos sino infraestructuras esenciales que habilitan participación en la economía del conocimiento, acceso a información, servicios financieros y oportunidades económicas (UNCTAD, 2021). La brecha digital ha emergido como una nueva dimensión de desigualdad internacional, donde países con penetración digital menor enfrentan desventajas competitivas significativas (World Bank, 2023)., en la tabla 3 las observamos.
variables_tecnologia <- data.frame(
Variable = c(
"Acceso a electricidad (% de la población)",
"Uso de internet (% de la población)",
"Suscripciones móviles (por cada 100 personas)"
),
Descripción = c(
"Porcentaje de la población con acceso a electricidad. Indicador fundamental de infraestructura energética básica, condición necesaria para actividad económica moderna, educación, salud y conectividad digital.",
"Porcentaje de individuos que han utilizado internet en los últimos 3 meses. Proxy de conectividad digital, acceso a información, y participación en la economía del conocimiento, siendo cada vez más relevante para productividad económica y reducción de brechas informativas.",
"Número de suscripciones a servicios de telefonía celular móvil por cada 100 habitantes. Refleja la penetración de tecnología móvil, que ha sido un vector fundamental de inclusión digital y acceso a servicios financieros en economías en desarrollo."
),
Interpretación = c(
">95%: cobertura eléctrica universal\n80-95%: acceso extendido\n<80%: déficit significativo de infraestructura",
">70%: sociedad digitalmente integrada\n30-70%: adopción media de internet\n<30%: brecha digital significativa",
">100: alta penetración móvil\n80-100: cobertura adecuada\n<80: oportunidades de expansión del mercado"
)
)
tabla_3 <- variables_tecnologia %>%
gt() %>%
tab_header(
title = md("**Tabla 3**"),
subtitle = "Indicadores de Infraestructura y Tecnología"
) %>%
cols_label(
Variable = md("**Variable**"),
Descripción = md("**Descripción**"),
Interpretación = md("**Interpretación**")
) %>%
cols_align(
align = "left",
columns = everything()
) %>%
tab_style(
style = list(
cell_text(weight = "bold", size = "medium"),
cell_fill(color = "white")
),
locations = cells_column_labels()
) %>%
tab_style(
style = cell_borders(
sides = c("top", "bottom"),
color = "black",
weight = px(1)
),
locations = list(
cells_column_labels(),
cells_body()
)
) %>%
tab_style(
style = cell_borders(
sides = "right",
color = "gray80",
weight = px(1)
),
locations = cells_body(columns = c(Variable, Descripción))
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Variable)
) %>%
tab_style(
style = cell_text(size = "small"),
locations = cells_body(columns = c(Descripción, Interpretación))
) %>%
tab_options(
table.font.names = "Times New Roman",
table.width = pct(100),
table.border.top.style = "none",
table.border.bottom.style = "none",
column_labels.border.top.style = "none",
column_labels.border.bottom.width = px(2),
column_labels.border.bottom.color = "black",
table_body.border.bottom.style = "none",
table_body.border.top.style = "none",
data_row.padding = px(8),
heading.title.font.size = 14,
heading.subtitle.font.size = 12,
heading.padding = px(4),
footnotes.padding = px(4)
) %>%
tab_source_note(
source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
) %>%
tab_footnote(
footnote = "Los valores superiores a 100 en suscripciones móviles indican múltiples suscripciones por persona",
locations = cells_body(
rows = 3,
columns = Interpretación
)
) %>%
tab_footnote(
footnote = "Los umbrales de interpretación son referenciales y pueden variar según el nivel de desarrollo regional",
locations = cells_title(groups = "subtitle")
)
tabla_3| Tabla 3 | ||
| Indicadores de Infraestructura y Tecnología1 | ||
| Variable | Descripción | Interpretación |
|---|---|---|
| Acceso a electricidad (% de la población) | Porcentaje de la población con acceso a electricidad. Indicador fundamental de infraestructura energética básica, condición necesaria para actividad económica moderna, educación, salud y conectividad digital. | >95%: cobertura eléctrica universal 80-95%: acceso extendido <80%: déficit significativo de infraestructura |
| Uso de internet (% de la población) | Porcentaje de individuos que han utilizado internet en los últimos 3 meses. Proxy de conectividad digital, acceso a información, y participación en la economía del conocimiento, siendo cada vez más relevante para productividad económica y reducción de brechas informativas. | >70%: sociedad digitalmente integrada 30-70%: adopción media de internet <30%: brecha digital significativa |
| Suscripciones móviles (por cada 100 personas) | Número de suscripciones a servicios de telefonía celular móvil por cada 100 habitantes. Refleja la penetración de tecnología móvil, que ha sido un vector fundamental de inclusión digital y acceso a servicios financieros en economías en desarrollo. | >100: alta penetración móvil 80-100: cobertura adecuada <80: oportunidades de expansión del mercado2 |
| 1 Los umbrales de interpretación son referenciales y pueden variar según el nivel de desarrollo regional | ||
| 2 Los valores superiores a 100 en suscripciones móviles indican múltiples suscripciones por persona | ||
| Fuentes: Elaboración propia con base en World Bank (2023) | ||
La inclusión de variables ambientales responde al creciente reconocimiento de que el desarrollo sostenible debe integrar consideraciones ecológicas (PNUD, 2023; World Bank, 2023). Aunque el crecimiento económico tradicional ha sido alcanzado frecuentemente mediante degradación ambiental, la sostenibilidad del desarrollo requiere preservación de capital natural, particularmente bosques (para captura de carbono y biodiversidad) y tierra cultivable (para seguridad alimentaria) (PNUD, 2023; World Bank, 2023), en la tabla 4 las vemos.
variables_ambientales <- data.frame(
Variable = c(
"Área boscosa (% del área terrestre)",
"Tierra cultivable (% del área terrestre)"
),
Descripción = c(
"Porcentaje del territorio nacional cubierto por bosques. Es un indicador de conservación ambiental, biodiversidad y sostenibilidad, siendo relevante tanto para mitigación del cambio climático como para servicios ecosistémicos.",
"Porcentaje de tierra apta para cultivos agrícolas. Refleja el potencial agrícola y la base de recursos naturales para producción de alimentos, siendo particularmente relevante para economías con sectores agrícolas significativos."
),
Interpretación = c(
">30%: alta cobertura forestal\n15-30%: cobertura media\n<15%: deforestación significativa",
">20%: alta disponibilidad agrícola\n10-20%: capacidad moderada\n<10%: limitaciones para agricultura"
)
)
tabla_4 <- variables_ambientales %>%
gt() %>%
tab_header(
title = md("**Tabla 4**"),
subtitle = "Indicadores Ambientales y de Uso de la Tierra"
) %>%
cols_label(
Variable = md("**Variable**"),
Descripción = md("**Descripción**"),
Interpretación = md("**Interpretación**")
) %>%
cols_align(
align = "left",
columns = everything()
) %>%
tab_style(
style = list(
cell_text(weight = "bold", size = "medium"),
cell_fill(color = "white")
),
locations = cells_column_labels()
) %>%
tab_style(
style = cell_borders(
sides = c("top", "bottom"),
color = "black",
weight = px(1)
),
locations = list(
cells_column_labels(),
cells_body()
)
) %>%
tab_style(
style = cell_borders(
sides = "right",
color = "gray80",
weight = px(1)
),
locations = cells_body(columns = c(Variable, Descripción))
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Variable)
) %>%
tab_style(
style = cell_text(size = "small"),
locations = cells_body(columns = c(Descripción, Interpretación))
) %>%
tab_options(
table.font.names = "Times New Roman",
table.width = pct(100),
table.border.top.style = "none",
table.border.bottom.style = "none",
column_labels.border.top.style = "none",
column_labels.border.bottom.width = px(2),
column_labels.border.bottom.color = "black",
table_body.border.bottom.style = "none",
table_body.border.top.style = "none",
data_row.padding = px(8),
heading.title.font.size = 14,
heading.subtitle.font.size = 12,
heading.padding = px(4),
footnotes.padding = px(4)
) %>%
tab_source_note(
source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
) %>%
tab_footnote(
footnote = "Los servicios ecosistémicos incluyen regulación hídrica, conservación de biodiversidad y secuestro de carbono",
locations = cells_body(
rows = 1,
columns = Descripción
)
) %>%
tab_footnote(
footnote = "La tierra cultivable incluye tierras arables, cultivos permanentes y pastos permanentes",
locations = cells_body(
rows = 2,
columns = Descripción
)
) %>%
tab_footnote(
footnote = "Los umbrales de interpretación pueden variar según las características geográficas y ecológicas de cada región",
locations = cells_title(groups = "subtitle")
)
tabla_4| Tabla 4 | ||
| Indicadores Ambientales y de Uso de la Tierra1 | ||
| Variable | Descripción | Interpretación |
|---|---|---|
| Área boscosa (% del área terrestre) | Porcentaje del territorio nacional cubierto por bosques. Es un indicador de conservación ambiental, biodiversidad y sostenibilidad, siendo relevante tanto para mitigación del cambio climático como para servicios ecosistémicos.2 | >30%: alta cobertura forestal 15-30%: cobertura media <15%: deforestación significativa |
| Tierra cultivable (% del área terrestre) | Porcentaje de tierra apta para cultivos agrícolas. Refleja el potencial agrícola y la base de recursos naturales para producción de alimentos, siendo particularmente relevante para economías con sectores agrícolas significativos.3 | >20%: alta disponibilidad agrícola 10-20%: capacidad moderada <10%: limitaciones para agricultura |
| 1 Los umbrales de interpretación pueden variar según las características geográficas y ecológicas de cada región | ||
| 2 Los servicios ecosistémicos incluyen regulación hídrica, conservación de biodiversidad y secuestro de carbono | ||
| 3 La tierra cultivable incluye tierras arables, cultivos permanentes y pastos permanentes | ||
| Fuentes: Elaboración propia con base en World Bank (2023) | ||
La inclusión de variables demográficas es justificada porque la dinámica poblacional condiciona fundamentalmente los desafíos y oportunidades de desarrollo: presión sobre recursos, mercado laboral, demanda por servicios públicos, y sostenibilidad fiscal (CEPAL, 2023; World Bank, 2023). Países con crecimiento poblacional acelerado enfrentan distintos desafíos que aquellos con envejecimiento poblacional, impactando tasas de ahorro, inversión, y provisión de servicios (CEPAL, 2023), vemos las variables en la tabla 5.
variables_demograficas <- data.frame(
Variable = c(
"Población total",
"Crecimiento poblacional (% anual)"
),
Descripción = c(
"Número total de habitantes de un país a mitad de año. El tamaño poblacional determina tanto el mercado interno como la escala de demanda por servicios públicos y recursos naturales.",
"Tasa de variación porcentual anual de la población. Refleja la presión demográfica y sus implicaciones para sostenibilidad, mercados laborales, y provisión de servicios públicos."
),
Interpretación = c(
">100M: país muy poblado\n10-100M: población media\n<10M: país poco poblado",
">2%: crecimiento rápido\n0.5-2%: crecimiento moderado\n<0.5%: crecimiento lento"
)
)
tabla_5 <- variables_demograficas %>%
gt() %>%
tab_header(
title = md("**Tabla 5**"),
subtitle = "Indicadores Demográficos Básicos"
) %>%
cols_label(
Variable = md("**Variable**"),
Descripción = md("**Descripción**"),
Interpretación = md("**Interpretación**")
) %>%
cols_align(
align = "left",
columns = everything()
) %>%
tab_style(
style = list(
cell_text(weight = "bold", size = "medium"),
cell_fill(color = "white")
),
locations = cells_column_labels()
) %>%
tab_style(
style = cell_borders(
sides = c("top", "bottom"),
color = "black",
weight = px(1)
),
locations = list(
cells_column_labels(),
cells_body()
)
) %>%
tab_style(
style = cell_borders(
sides = "right",
color = "gray80",
weight = px(1)
),
locations = cells_body(columns = c(Variable, Descripción))
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(columns = Variable)
) %>%
tab_style(
style = cell_text(size = "small"),
locations = cells_body(columns = c(Descripción, Interpretación))
) %>%
tab_options(
table.font.names = "Times New Roman",
table.width = pct(100),
table.border.top.style = "none",
table.border.bottom.style = "none",
column_labels.border.top.style = "none",
column_labels.border.bottom.width = px(2),
column_labels.border.bottom.color = "black",
table_body.border.bottom.style = "none",
table_body.border.top.style = "none",
data_row.padding = px(8),
heading.title.font.size = 14,
heading.subtitle.font.size = 12,
heading.padding = px(4),
footnotes.padding = px(4)
) %>%
tab_source_note(
source_note = md("**Fuentes:** Elaboración propia con base en World Bank (2023)")
) %>%
tab_footnote(
footnote = "La población se refiere a residentes totales independientemente de su estatus legal o ciudadanía",
locations = cells_body(
rows = 1,
columns = Descripción
)
) %>%
tab_footnote(
footnote = "El crecimiento poblacional incluye nacimientos, muertes y migración neta",
locations = cells_body(
rows = 2,
columns = Descripción
)
) %>%
tab_footnote(
footnote = "Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo",
locations = cells_title(groups = "subtitle")
)
tabla_5| Tabla 5 | ||
| Indicadores Demográficos Básicos1 | ||
| Variable | Descripción | Interpretación |
|---|---|---|
| Población total | Número total de habitantes de un país a mitad de año. El tamaño poblacional determina tanto el mercado interno como la escala de demanda por servicios públicos y recursos naturales.2 | >100M: país muy poblado 10-100M: población media <10M: país poco poblado |
| Crecimiento poblacional (% anual) | Tasa de variación porcentual anual de la población. Refleja la presión demográfica y sus implicaciones para sostenibilidad, mercados laborales, y provisión de servicios públicos.3 | >2%: crecimiento rápido 0.5-2%: crecimiento moderado <0.5%: crecimiento lento |
| 1 Los umbrales de interpretación son referenciales y pueden variar según el contexto regional y nivel de desarrollo | ||
| 2 La población se refiere a residentes totales independientemente de su estatus legal o ciudadanía | ||
| 3 El crecimiento poblacional incluye nacimientos, muertes y migración neta | ||
| Fuentes: Elaboración propia con base en World Bank (2023) | ||
Base_2022 <- read_csv("f36a5086-3311-4b1a-9f0c-bda5cd4718df_Series - Metadata.csv",
show_col_types = FALSE) %>%
select(
Pais = `Country Name`,
Codigo = `Country Code`,
PIB_per = `GDP per capita (current US$) [NY.GDP.PCAP.CD]`,
Poblacion = `Population, total [SP.POP.TOTL]`,
`Esperanza vida` = `Life expectancy at birth, total (years) [SP.DYN.LE00.IN]`,
`Acceso electricidad` = `Access to electricity (% of population) [EG.ELC.ACCS.ZS]`,
`Area boscosa` = `Forest area (% of land area) [AG.LND.FRST.ZS]`,
`Suscripciones movil` = `Mobile cellular subscriptions (per 100 people) [IT.CEL.SETS.P2]`,
`Crecimiento PIB` = `GDP growth (annual %) [NY.GDP.MKTP.KD.ZG]`,
`Mortalidad infantil` = `Mortality rate, infant (per 1,000 live births) [SP.DYN.IMRT.IN]`,
`Inversion extranjera` = `Foreign direct investment, net inflows (% of GDP) [BX.KLT.DINV.WD.GD.ZS]`,
`Gasto salud` = `Current health expenditure (% of GDP) [SH.XPD.CHEX.GD.ZS]`,
`Uso internet` = `Individuals using the Internet (% of population) [IT.NET.USER.ZS]`,
Importaciones = `Imports of goods and services (% of GDP) [NE.IMP.GNFS.ZS]`,
Exportaciones = `Exports of goods and services (% of GDP) [NE.EXP.GNFS.ZS]`,
`Tierra cultivable` = `Arable land (% of land area) [AG.LND.ARBL.ZS]`,
`Crecimiento poblacion` = `Population growth (annual %) [SP.POP.GROW]`,
Industria = `Industry (including construction), value added (% of GDP) [NV.IND.TOTL.ZS]`,
Remesas = `Personal remittances, received (% of GDP) [BX.TRF.PWKR.DT.GD.ZS]`
)%>%
filter(!Pais %in% c("World", "High income", "Low income", "European Union",
"Latin America & Caribbean", "Middle income", "OECD members",
"East Asia & Pacific", "Sub-Saharan Africa", "South Asia",
"North America", "Euro area", "Arab World", "West Bank and Gaza",
"Lower middle income", "Upper middle income",
"Least developed countries: UN classification",
"Fragile and conflict affected situations",
"Heavily indebted poor countries (HIPC)",
"IDA total", "Low & middle income", "Middle East & North Africa",
"Pacific island small states", "Small states",
"Caribbean small states", "Other small states",
"IDA & IBRD total", "IDA only", "IBRD only",
"Pre-demographic dividend", "Post-demographic dividend",
"Early-demographic dividend", "Late-demographic dividend")) %>%
mutate(across(3:19, as.numeric)) %>% drop_na()
tabla_elegante <- datatable(
Base_2022,
extensions = c('Buttons', 'Scroller', 'Responsive', 'FixedHeader'),
options = list(
dom = '<"top"lBf>rt<"bottom"ip><"clear">',
buttons = list(
list(extend = 'copy', text = 'Copiar', className = 'btn-outline-primary'),
list(extend = 'csv', text = 'CSV', className = 'btn-outline-secondary'),
list(extend = 'excel', text = 'Excel', className = 'btn-outline-success'),
list(extend = 'pdf', text = 'PDF', className = 'btn-outline-danger'),
list(extend = 'print', text = 'Imprimir', className = 'btn-outline-warning')
),
# Configuración de visualización elegante
pageLength = 12,
lengthMenu = list(c(8, 12, 20, 50, -1),
c('8', '12', '20', '50', 'Todos')),
scrollX = TRUE,
scrollY = "550px",
scroller = TRUE,
deferRender = TRUE,
# Configuración de idioma
language = list(
url = '//cdn.datatables.net/plug-ins/1.13.4/i18n/es-ES.json',
search = "Buscar:",
lengthMenu = "Mostrar _MENU_ registros",
info = "_START_ - _END_ de _TOTAL_",
paginate = list(
first = "Primero",
last = "Último",
`next` = "Siguiente",
previous = "Anterior"
)
),
# Configuración profesional
autoWidth = TRUE,
fixedHeader = TRUE,
searchHighlight = TRUE
),
rownames = FALSE,
filter = 'top',
class = c('display', 'compact', 'hover'),
caption = 'Indicadores Económicos y Sociales Globales 2022'
) %>%
# Formato numérico limpio y profesional
formatCurrency(
columns = 'PIB_per',
currency = "$",
digits = 0,
before = TRUE
) %>%
formatRound(
columns = 'Poblacion',
digits = 0,
mark = ","
) %>%
formatRound(
columns = c('Esperanza vida', 'Acceso electricidad', 'Area boscosa',
'Suscripciones movil', 'Crecimiento PIB', 'Inversion extranjera',
'Gasto salud', 'Uso internet', 'Importaciones', 'Exportaciones',
'Tierra cultivable', 'Crecimiento poblacion', 'Industria', 'Remesas'),
digits = 2
) %>%
formatRound(
columns = 'Mortalidad infantil',
digits = 1
) %>%
# Estilo minimalista para mejor legibilidad
formatStyle(
columns = names(Base_2022),
fontSize = '12px',
fontFamily = 'Arial, sans-serif'
) %>%
# Encabezados limpios
formatStyle(
columns = names(Base_2022),
target = 'cell',
fontWeight = 'bold'
)
# Mostrar la tabla elegante
tabla_elegante